Planuojami mokymai:

Liepos 5 d.
Rugpjūčio 9 d.
Rugsėjo 13 d.
Spalio 11 d.
Lapkričio 8 d.
Gruodžio 6 d.

Kaina: 4140€
(Mokant visą sumą iškart taikoma 10% nuolaida)

VISOS PASKAITOS GYVAI: paskaitos vyksta GYVAI - REALIU LAIKU SU LEKTORIUMI (+ soft skill ir AI paskaitų įrašai)

Mišrus mokymasis: mokykis ir iš namų ir iš klasės. Galimybė keisti formatą mokymų metu

Trukmė: 374 val., 10 savaičių – 47 užsiėmimai

Laikas: 5 kartus per savaitę, nuo 09.00-17.00 val.

Kurso kartojimas: galimybė metų bėgyje grįžti kartoti kursą NEMOKAMAI

Mokymai įmonėms: visos programos gali būti adaptuotos pagal jūsų poreikius

35
.

Dirbtinio intelekto mokymai (AI) + Soft skills dieniniai mokymai

PASKAITOS VYKSTA GYVAI, realiu laiku SU LEKTORIUMI
Atrankos mokymams nėra
- gali mokytis visi!

Kursas yra išsamus, skirtas tiek pradedantiesiems, tiek jau turintiems pagrindinių žinių, norintiems gilinti savo supratimą apie šiuolaikines dirbtinio intelekto ir duomenų analizės technologi...jas. Studentai išmoks pagrindinius Python programavimo principus, įvaldys objektinį programavimą (OOP) ir susipažins su Git versijų valdymo sistema. Kursas taip pat apims duomenų analizę naudojant Pandas biblioteką, darbą su duomenų bazėmis (SQL). Studentai gilins žinias mašininio mokymosi srityje, išmokdami tiek prižiūrimojo (supervised), tiek neprižiūrimojo (unsupervised) mokymosi, taip pat skatinamojo mokymosi (reinforcement learning) principus. Suprasite kaip veikia evoliuciniai algoritmai, iš ko susideda gilieji neuroniniai tinkai, kaip juos apmokyti ir pritaikyti vaizdų atpažinimo užduotyse, generuoti nuotraukas, garsą ar tekstą. Be to bus gilinamasi kaip veikia natūralios kalbos apdorojimo (NLP) technologijas.

Daugiau...

Ko išmoksiu?
Python programavimo nuo pagrindų

Duomenų manipuliavimo su Pandas

Versijų kontrolės su Git

Duomenų analizės ir valdymo su SQL

Kas yra mašininis mokymasis ir kaip jį pritaikyti

Kaip veikia evoliuciniai algoritmai

Apmokyti dirbtinį neuroninį tinklą.

Natūraliosios kalbos apdorojimo (NLP)

Ką gebėsiu po mokymų?

Duomenų Mokslininkas

Duomenų Analitikas

Mašininio Mokymo Inžinierius

Duomenų Inžinierius

Verslo Analitikas

Duomenų Produktų Vystymo Specialistas

Natūraliosios kalbos apdorojimo inžinierius

Kas po mokymų?

Mentorystės principas po mokymų – visą mėnesį, iškilus klausimams, galėsite kreiptis į mokyklos lektorių. Taip pat, galėsite naudotis mokyklos klasėmis, tiek mokymų metu, tiek po jų.Mentorystės principas po mokymų – visą mėnesį, iškilus klausimams, galėsite kreiptis į mokyklos lektorių. Taip pat, galėsite naudotis mokyklos klasėmis, tiek mokymų metu, tiek po jų.

 

Galimos darbo pozicijos po mokymų:

  • Duomenų Mokslininkas
  • Duomenų Analitikas
  • Mašininio Mokymo Inžinierius
  • Duomenų Inžinierius
  • Verslo Analitikas
  • Duomenų Produktų Vystymo Specialistas
  • Natūraliosios kalbos apdorojimo inžinierius

Mokymų programa

1. Susipažinimas su Python

  • Susipažinimas su klase
  • Python istorija, diegimas savo kompiuteryje, pavyzdžiai
  • Pirmoji Python programa „Hello World“, Python programavimo filosofija

2. Kodo versijavimas

  • Kodo versijavimo pagrindai
  • Git ir GitHub
  • Git instaliavimas ir aplinkos paruošimas, praktika

3. Python pagrindai

  • int, float, boolean bei matematinės operacijos
  • string, jų metodai, formatavimas, slice
  • if sąlygos, input(), range(), for loop
  • list, tuple, set
  • dictionary
  • while loop
  • functions, None, lambda, recursion, local vs. global scope
  • klaidų tipai, valdymas ir jų sukėlimas try/except, raise
  • Tarpinis žinių patikrinimas
  • Darbas su dokumentais, os ir pathlib bibliotekos, relative vs. absolute path, .txt, .json, .yaml formatai, pickle biblioteka
  • Python paketų/bibliotekų valdymas, modulių importavimas, Python virtualios aplinkos, .exe generavimas iš .py script’o

4. Python objektinis programavimas

  • Klasės ir OOP apibrėžimas, pavyzdžiai
  • Klasės deklaravimas, konstruktorius, destruktorius, klasės vienetų/objektų (instance) sukūrimas
  • Klasės metodai ir jų kvietimai
  • Klasės paveldėjimas, nauda ir trūkumai, polimorfizmas, abstrakčios klasės kūrimas
  • klasės struktūrų ir metodų projektavimas
  • Objektinio programavimo naudojimas duomenų analizėje, realūs pavyzdžiai
  • Klasės statinės savybės ir metodai

5. Python duomenų analitika

  • Web scraping principai, BeautifulSoup ir kitos bibliotekos, teisiniai apribojimai ir etikos klausimai
  • Tekstinių duomenų analizė, Regex
  • Numpy biblioteka, darbas su daugiadimensiniais duomenimis, duomenų kaukės
  • Duomenų lentelės, Pandas biblioteka, Series ir DaraFrame
  • Duomenų vizualizavimas, Matplotlib, Seaborn bibliotekos. Interaktyvūs grafikai su plotly biblioteka
  • Vaizdinių duomenų analizė ir apdorojimas. OpenCV, Pillow bibliotekos

6. Python darbas su duomenų bazėmis

  • Kas yra duombazė, SQL vs. noSQL, pavyzdžiai
  • MySQL ar postgreSQL duombazės įdiegimas savo kompiuteryje, praktika su programos UI
  • Duomenų nuskaitymas iš duombazės.
  • Lentelių kūrimas ir redagavimas, duomenų įrašymas, trinimas SQL duombazėje
  • Duomenų gavyba iš duomenų bazės su Python
  • Duomenų transformavimas, valdymas ir analizė su SQL ir Python (Pandas biblioteka)

1. Machine Learning teorija

  • Kas yra Machine Learning (ML), AI vs. ML, kuo skiriasi tuo tradicinio programavimo, ML project flow
  • Machine Learning istorija
  • Mokymosi tipai (supervised, unsupervised/self-supervised, reinforcement) ir panaudojimo pavyzdžiai
  • Structured (categories, numbers, etc.) vs. unstructured data (text, sound, etc.)

2. Supervised learning

  • Supervised learning ir panaudojimo pavyzdžiai
  • Klasifikavimo problema, mokymosi duomenų išskyrimas (train-test split), modelio įvertinimo metrikos
  • Scikit-learn biblioteka. Linijiniai modeliai, K-Nearest Neighbors, Decision Trees, Bagging ir Boosting metodai. underfit vs. overfit
  • Binary vs. Multiclass vs. Multi-label classification. Logistic function
  • Regresija, regresijos modelio įvertinimo metrikos
  • Praktika su regresijos modeliais (Scikit-learn biblioteka)
  • Neneigiama regresija ir situacijų pavyzdžiai. ReLu funkcija, Poisson ir Tweedie duomenų pasiskirstymai

3. Unsupervised

  • Unsupervised (self-supervised) learning ir panaudojimo pavyzdžiai
  • Duomenų klasterizavimas, kas yra geras klasterizavimas?

4. Feature engineering

  • Duomenų normalizavimas, užkodavimas (data encoding) ir kodėl tai svarbu
  • Feature selection ir Dimensionality reduction. Principal Component Analysis
  • Modelio hiperparametrų derinimas (hyperparameter tuning), kryžminis validavimas (cross-validation)

5. Evoliuciniai algoritmai

  • Evoliucinių algoritmų teorija ir terminologija
  • Praktika su Evoliuciniais algoritmais. Python DEAP biblioteka

Reikia turėti kompiuterį su NVidia GPU, kurio „Compute Capability” yra bent 6.0
arba naudoti Google Colab su GPU (nemokama versija ne visada veikia dėl užimtumo)

1. Dirbtinių neuroninių tinklų (ANN) teorija

  • Dirbtinių neuroninių tinklų istorija, panaudojimo pavyzdžiai, kas yra dirbtinis neuronas, aktyvacijos funkcijos
  • Dirbtinio neuroninio tinklo struktūra (Multilayer Perceptron) , foward propogation, backpropogation
  • Loss/cost funkcija, jos atvaizdavimas kaip kalnuoto paviršiaus, Gradient descent
  • Learning rate

2. ANN Praktika su Pytorch

  • Pytorch supažindinimas ir įrašymas
  • Dirbtinio neuroninio tinklo sukūrimas su Pytorch skirtas klasifikuoti Fashion-MNIST nuotraukas. Modelio apmokymas, rezultatų įvertinimas
  • Loss curve, early stopping, kuo naudingas Dropout

3. Konvoliuciniai neuroniniai tinklai (CNN)

  • Kas kompiuteriui  yra nuotrauka? Kokios problemos kyla bandant suprasti, kas pavaizduota nuotraukoje
  • Filtrai (image kernel), konvoliucinio tinklo struktūra, pooling layer
  • CNN sukūrimas su Pytorch skirtas klasifikuoti nuotraukas (Pvz. CIFAR10). Modelio apmokymas, rezultatų įvertinimas
  • Duomenų augmentacija ir jos įtaka apmokymui
  • Transfer Learning. Kaip pritaikyti apmokytus modelius savo reikmėms
  • Objektų atpažinimas (object detection) nuotraukose. YOLO, MobileNet modeliai. Objektų atpažinimo modelio įvertinimo metrikos
  • Semantic segmentation vs. instance segmentation. Mask R-CNN, Segment Anything (SAM), YOLACT modeliai

4. Rekurentiniai neuroniniai tinklai (RNN)

  • Duomenų sekos (garsas, vaizdo įrašas, tekstas) ir žvelgimas į praeitį
  • RNN tinklo apibrėžimas, panaudojimai ir apribojimai
  • Muzikos generavimas su RNN

5. Generatyviniai konkuruojantys tinklai (GAN)

  • GAN apibrėžimas, panaudojimo pavyzdžiai
  • GAN modelio apmokymas nuotraukos stiliui pakeisti į Van Gogh stilių

6. Transformerių neuroninis tinklas (Transformer)

  • Transformer apibrėžimas, kaip apskaičiuojama duomenų svarba (attention), panaudojimo pavyzdžiai, kokie yra šio modelio minusai
  • Transformer modelio apmokymas nuotraukos klasifikavimui

1. NLP

  • NLP pagrindai, istorija ir panaudojimas
  • TF-IDF, bag of words, Spacy biblioteka
  • Word embeddings, jų tipai, pliusai ir minusai
  • Teksto klasifikavimas
  • Teksto „Transformer” tinklai. Hugging face platforma ir biblioteka
  • Teksto generavimas su Transformer tinklais

1. Reinforecement learning

  • Kas yra Reinforecement learning, istorija, panaudojimo pavyzdžiai, atlygio (reward) funkcija, Exploration vs. Exploitation, action selection
  • Reinforcement learning modelio apmokymas vienoje iš Gymnasium aplinkų

1. Užduočių sprendimai ir konsultacijos

  • Viso kurso metu spręstų užduočių sprendimai, konsultacijos baigiamajam projektui

1. Baigiamųjų projektų pristatymai

  • Baigiamųjų projektų pristatymai

1. Bendravimo įgūdžiai

  • Aktyvus klausymasis
  • Efektyvi komunikacija
  • Bendravimas su sunkiais klientais
  • Ryšio kūrimas

2. Problemų sprendimo strategijos

  • Problemų analizavimas ir diagnostika
  • Sprendimų nustatymas
  • Gedimų šalinimo būdai
  • Pagrindinės problemos priežasties analizė
  • Naujausios problemų sprendimo technologijos
  • Kaip gauti atsiliepimus iš vadovų
  • Profesinis tobulėjimas

3. Laiko valdymas ir organizavimas

  • Užduočių prioritetų nustatymas
  • Darbo krūvio valdymas
  • Delegavimas ir bendradarbiavimas

4. Emocinis intelektas

  • Emocijų supratimas ir valdymas
  • Empatija ir užuojauta
  • Konfliktų sprendimas
  • Streso valdymas

5. Kaip išmokti daugiau ir greičiau bei mažiau
pamiršti

  •  5 minučių smegenų mankšta
  • Išvalykite savo „protinį rūką“ su šiais 5
    skaniais smegenų maisto produktais
  •  Išmokite galingą atminties techniką, kad
    niekada nepraleistumėte susitikimo
  • Dirbtinio intelekto veikimas. Kuo tai skiriasi nuo žmogaus
  • Užklausos (Prompt) sudarymas. Kuo skiriasi gera užklausa nuo blogos
  • Rezultatų validacija. Gautų duomenų tikrinimas ar šie yra tinkami specifiniu atveju
  • Versijavimo politika. Naudojamos programinės įrangos (vendor) versijos sutapatinimas užklausoje
  • Dirbtinio intelekto įskiepiai kodo redaktoriuje (IDE). Privalumai ir trūkumai
  • Komentarų generavimas naudojant dirbtinį intelektą
  • Testų kūrimas įskiepio pagalba
  • Kodo optimizacija įskiepio pagalba
Vilnius Coding School SERTIFIKATAS
stiprus įrodymas, jog esi pasiruošęs karjerai IT!
sertifikatas

green tick Oficialus, Švietimo ir Mokslo registro patvirtintas sertifikatas

green tick Atpažįstamas stipriausių Lietuvos ir tarptautinių įmonių

green tick Įrodo, kad mokėtės pas geriausius savo srities specialistus

green tick Patikimas gautų įgūdžių įrodymas

green tick Skaidrią veiklą Lietuvoje vystančios įmonės išduotas sertifikatas

green tick Šis sertifikatas patvirtina, kad dalyvavote ne mažiau 95% kurso paskaitų realiu laiku su lektoriumi, atlikote ir apsigynėte baigiamąjį darbą

Nuolaidų sistema

Įprasta mokymų kaina 4140 €

MOKANT VISĄ SUMĄ IŠKART
taikome 10% nuolaidą!

3726

(Pilna kaina 4140 €)

Taikoma, jei sumokate visą sumą išankstinės registracijos metu

ALUMNI
taikome 15% nuolaidą!

3519

(Pilna kaina 4140 €)

Taikoma visiems mokyklos absolventams visiems mokymams bei savaitgalio dirbtuvėms- workshop’ams

REKOMENDUOJATE MUS DRAUGUI
taikome 10% nuolaidą!

3726

(Pilna kaina 4140 €)

Taikoma, jei mokytis atvykstate dviese

* Nuolaidos nėra sumuojamos
** Nuolaida mokant visą sumą iš karto netaikoma E-mokymams
Registracija į šiuos mokymus